基于组合神经网络的雷诺平均湍流模型多次修正方法

求解雷诺平均(Reynolds-averaged Navier-Stokes, RANS)方程依然是工程应用中有效且实用的方法, 但对雷诺应力建模的不确定性会导致该方法的预测精度具有很大差异. 随着人工智能的发展, 湍流闭合模型结合机器学习元素的数据驱动方法被认为是提高RANS模型预测性能的有效手段, 然而这种数据驱动方法的稳定性和预测精度仍有待进一步提高. 本文通过构建一个全连接神经网络对RANS方程中的涡黏系数进行预测以实现雷诺应力的隐式求解,该神经网络记作涡黏系数神经网络(eddy viscosity neural network, EVNN). 此外, 也使用张量基神经网络(tensor basis neural network, TBNN)预测未封闭量与解析量之间的高阶涡黏关系, 并利用基张量保证伽利略不变性. 最后, 采用多次修正的策略实现修正模型对流场预测的精度闭环. 上述方法使用大涡模拟(large eddy simulation, LES)方法产生的高保真数据, 以及RANS模拟获得的基线数据对由EVNN和TBNN组合的神经网络进行训练, 然后用训练好的模型预测新的RANS模拟的流场. 通过与高保真LES结果进行对比, 结果表明, 相比于原始RANS模型, 修正模型对后验速度场、下壁面平均压力系数和摩擦力系数的预测精度均有较大提升. 可以发现对雷诺应力线性部分的隐式处理可以增强数值求解的稳定性, 对雷诺应力非线性部分的修正可以提升模型对流场各向异性特征预测的性能, 并且多次修正后的模型表现出更高的预测精度. 因此, 该算法在数据驱动湍流建模和工程应用中具有很大的应用潜力.      

水下发射水动力的多尺度预测网络研究

空泡的演化和水动力特征的预测在航行体发射的设计中有非常重要的意义. 人工智能技术已经成为了参数预测的重要手段.为了能够快速预测航行体水下发射过程的尾部压力的复杂变化, 提出了一种多尺度深度学习网络.该网络模型以一维卷积网络(1DCNN)为基础,构建了一种编码-解码型网络结构,通过不同的采样频率将原始数据分解为光滑部分和脉动部分,进而训练低保真度的大尺度网络和高保真度的小尺度网络.从而实现对不同物理过程的响应和捕捉.首先,通过数值模拟获得了不同发射条件下的尾部压力曲线,并结合空泡的理论机理构建了具有物理性的输入数据集.其次,将数据集进行分解处理,分别训练了两个尺度的深度学习网络. 最终将两组输出数据整合在一起,建立了底部压力预测模型.并通过测试和验证说明本文提出的多尺度网络对于多种常见的发射条件,能够实现航行体受力特征的快速准确的预测,光滑曲线、压力突变、震荡的频率和幅值都和数值模拟的结果吻合.证明本文的方法能够为运动和弹道的预测提供依据.